ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO KSZTAŁTOWANIA WŁAŚCIWOŚCI MATERIAŁU POLIMEROWEGO Z PRZEZNACZENIEM DLA TRANSPORTU SZYNOWEGO

Transkrypt

1 Problemy Kolejnictwa Zeszyt Prof. dr hab. inż. Jacek Garbarski Politechnika Warszawska Dr inż. Mariusz Fabijański Instytut Kolejnictwa ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO KSZTAŁTOWANIA WŁAŚCIWOŚCI MATERIAŁU POLIMEROWEGO Z PRZEZNACZENIEM DLA TRANSPORTU SZYNOWEGO SPIS TREŚCI 1. Wstęp 2. Część doświadczalna 3. Wybór danych oraz sprawdzenie poprawności działania sztucznych sieci neuronowych 4. Podsumowanie STRESZCZENIE Sztuczne sieci neuronowe znajdują bardzo szerokie zastosowanie w różnych dziedzinach techniki. Moda na to potężne narzędzie informatyczne nie ominęła także transportu kolejowego, gdzie jest stosowane w diagnostyce, prognozowaniu, optymalizacji. Można je również z powodzeniem stosować do poszukiwania materiałów spełniających odpowiednie kryteria, łącząc ze sobą kilka cech materiałowych takich, jak na przykład właściwości mechaniczne i palne. Materiały polimerowe dostępne na rynku często nie spełniają wysokich wymagań pod względem właściwości palno-dymowych. Konieczne zatem staje się dodawanie do nich odpowiednich środków (uniepalniaczy), poprawiających tę cechę materiałową, ale znacznie pogarszających właściwości mechaniczne. Takim popularnym materiałem reprezentującym ogromną grupę tworzyw styrenowych o szerokich zastosowaniach w budowie taboru szynowego, jest polistyren wysokoudarowy. Uzyskanie wieloskładnikowej, trudnopalnej mieszaniny tworzywowej na bazie polistyrenu wysokoudarowego (HIPS) jest trudne i pracochłonne. W celu znalezienia potencjalnie najlepszego składu, byłoby konieczne przeprowadzenie wielu prób technologicznych. W związku z tym, do rozszerzenia obszaru poszukiwań składu mieszaniny, w celu uzyskania najlepszych właściwości zarówno mechanicznych, jak i palno-dymowych, wykorzystano sztuczne sieci neuronowe. W artykule przedstawiono zastosowanie tych sieci do określenia właściwego składu materiału spełniającego wymagania palnościowe dla materiałów stosowanych w transporcie szynowym.

2 48 J. Garbarski, M. Fabijański 1. WSTĘP Prace prowadzone w zakresie tworzenia sieci neuronowych są związane z badaniami nad biologicznymi aspektami sztucznej inteligencji. Ich wynikiem jest powstanie różnego rodzaju struktur sieci neuronowych oraz opis zasad ich funkcjonowania [18]. Obecnie sieci neuronowe znalazły szerokie zastosowanie w takich dziedzinach, jak: diagnostyka, prognozowanie, optymalizacja, filtracja, konwersja, a także rozpoznawanie (przede wszystkim obrazów i mowy) i inne. Jest to możliwe dzięki jednej z najważniejszych cech sieci neuronowej przetwarzaniu informacji w sposób równoległy. Pomimo, że sieć składa się z bardzo prostych w swej budowie i działaniu elementów, to po połączeniu ich w skomplikowany układ uzyskuje się ogromne możliwości operacyjne. Identycznie, jak w przypadku neuronowych sieci biologicznych, podstawowymi elementami, z których tworzy się sztuczne sieci neuronowe, są sztuczne neurony, czyli elementy, których wybrane własności są analogiczne do wybranych własności neuronów biologicznych. Nie stanowią one jednak wiernej kopii swych biologicznych odpowiedników. Zasada działania sztucznego neuronu jest niezwykle prosta. Do wejść są doprowadzane sygnały dochodzące z neuronów warstwy poprzedniej. Każdy neuron otrzymuje wiele sygnałów wejściowych i na ich podstawie wyznacza odpowiedź jeden sygnał wyjściowy. Każdy sygnał wejściowy jest mnożony przez odpowiadającą mu wartość liczbową, zwaną wagą. Wpływa ona na percepcję danego sygnału wejściowego i jego udział w tworzeniu sygnału wyjściowego przez neuron. Zbiór odpowiednio ułożonych sztucznych neuronów tworzy sztuczną sieć neuronową. Jest ona zdecydowanie prostsza w budowie niż ludzki mózg [10, 11, 12, 14, 18]. Opis wszystkich typów sieci oraz metody ich działania przekroczyłby znacznie objętość niniejszej pracy, dlatego został pominięty. Szczegółowe opisy można znaleźć w literaturze dotyczącej tej dziedziny nauki. Polistyren wysokoudarowy (HIPS) należy do polimerów powszechnie stosowanych. Zalicza się on do tak zwanych tworzyw styrenowych, wśród których można wyróżnić PS (polistyren), SAN (styren-akrylonitryl), ABS (akrylonitryl-butadien-styren) i inne. Powszechnie są one stosowane w wielu dziedzinach gospodarki i techniki, również w szeroko pojętym transporcie szynowym. Mają wiele zalet, czyniąc je materiałami bardzo atrakcyjnymi. Problemem, jaki ogranicza stosowanie tej grupy tworzyw jest ich łatwopalność. W tym celu wprowadza się do tworzywa związki zwane opóźniaczami palenia lub antypirenami. Jednym ze sposobów zmniejszenia palności tworzyw jest uniepalnianie przy użyciu napełniaczy mineralnych. Stosuje się je ze względu na małą ilość wydzielanych dymów, i co się z tym wiąże również toksycznych produktów [1, 18]. Dobre ich działanie uzyskuje się, gdy wprowadzimy do tworzywa około 50% 60% napełniacza, co niesie za sobą pogorszenie właściwości mechanicznych, w związku z tym staje się konieczna odpowiednia modyfikacja materiału [18]. Dlatego też do układu dwuskładnikowego (polimer + uniepalniacz) wprowadza się dodatkowe składniki [2, 6, 14]. Z reguły tego

3 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 49 typu modyfikatory pogarszają z kolei uzyskaną trudnopalność: pojawia się tu sprzeczność pomiędzy właściwościami mechanicznymi i palno-dymowymi. Poprawienie parametrów charakteryzujących właściwości mechaniczne powodowuje pogorszenie właściwości palno-dymowych i odwrotnie. Tego rodzaju sprzeczność stwarza duże trudności przy ustaleniu odpowiedniego składu mieszaniny trudnopalnej, gdzie niejednokrotnie ilość składników jest duża i znalezienie najkorzystniejszej ich proporcji jest czasochłonne. Do znalezienia składu mieszaniny, która byłaby zarówno trudnopalna jak i wytrzymała mechanicznie, użyto sztucznych sieci neuronowych. Jak wiadomo, ich ogromny potencjał operacyjny wynika z możliwości przetwarzania informacji w sposób równoległy. Sieci neuronowe znalazły zastosowanie szczególnie w takich przypadkach, kiedy z jednej strony trudno ustalić sposób rozwiązania, z drugiej dostępne są przykładowe wyniki. Traktując sieć jak czarną skrzynkę, nie ingeruje się w jaki sposób dochodzi ona do rozwiązania [10, 12, 13, 14, 15, 18]. W niniejszej pracy sztuczne sieci neuronowe zostały wykorzystane do poszukiwania najkorzystniejszego składu mieszaniny trudnopalnej na bazie polistyrenu wysokoudarowego (HIPS). Pozwoliły one na znaczne rozszerzenie obszaru poszukiwań i na odpowiednie kształtowanie pożądanych cech materiału Materiały 2. CZĘŚĆ DOŚWIADCZALNA W badaniach tworzywem podstawowym przeznaczonym do uniepalniania był polistyren wysokoudarowy (HIPS). Do badań wytypowano materiał produkcji krajowej, firmy Dwory S.A. o oznaczeniu Owispol 825. Jest to tworzywo łatwopalne, którego wskaźnik tlenowy wynosi tylko 18,5%. Podczas palenia wydziela gęsty, ciemny dym, co stanowi poważny problem przy jego stosowaniu w miejscach zagrożonych pożarem. Ponadto pod wpływem wysokiej temperatury i obecności płomienia materiał płynie, przyjmując postać płonących i kopcących kropel [6, 7, 14]. Zastosowany środek uniepalniający, to wodorotlenek magnezu Mg(OH) 2 o nazwie handlowej Magnifin H5. Jego temperatura rozkładu wynosi 340 C. Jest to mineralny opóźniacz palenia, który w odróżnieniu od związków halogenowych (organicznych), daje efekt uniepalnienia w wyniku rozkładu termicznego z wydzieleniem wody i tlenku magnezu. Wodorotlenek magnezu silnie tłumi dym oraz zmniejsza kwasowość produktów spalania [1, 3, 7, 18]. W celu poprawienia właściwości mechanicznych, a przede wszystkim udarności, wprowadzono dodatkowo modyfikatory udarności w postaci elastomerów termoplastycznych: kopolimeru trój-blokowego: styren-butadien-styren (SBS) o nazwie handlowej Finaclear 530 Atofina oraz kopolimeru styren-etylen-butylen-styren (SEBS) firmy TCT [5].

4 50 J. Garbarski, M. Fabijański 2.2. Przygotowanie kompozycji Zanim doszło do wyprodukowania wstępnej partii próbek, trzeba było pokonać trudności technologiczne wynikające z wprowadzania bardzo dużej ilości napełniacza będącego proszkiem mineralnym, pozostającym w stanie stałym podczas przetwórstwa. Ponieważ ślimak nie pobierał mieszanki, umieszczono w leju zasypowym dodatkowe urządzenie wspomagające. Niezależnie od trudności pobierania przez ślimak, wielu prób wymagało ustalenia właściwych parametrów procesu, aby uzyskać homogeniczny materiał i wyeliminować piski i zgrzyty w cylindrze maszyny, które pojawiły się podczas pierwszych prób [2]. Do badań przygotowano kilka zestawów kompozycji tworzywowych o różnych zawartościach poszczególnych składników: polistyren wysokoudarowy (HIPS) + uniepalniacz (wodorotlenek magnezu Mg(OH) 2 ), polistyren wysokoudarowy (HIPS)+ wodorotlenek magnezu Mg(OH) 2 + SBS (styrenbutadien-styren), polistyren wysokoudarowy (HIPS)+ wodorotlenek magnezu Mg(OH) 2 + SBS (styrenbutadien-styren) + SEBS (styren-etylen-butylen-styren) Metody badań kompozycji tworzywowych Właściwości mechaniczne oznaczono metodą standardową zgodnie z obowiązującymi normami ogólnymi i przedmiotowymi w zakresie badań właściwości tworzyw sztucznych. Próbki do badań zostały przygotowane metodą wtrysku. W celu określenia właściwości palnych kompozycji przeprowadzono oznaczenie wskaźnika tlenowego OI [9] oraz oznaczenie intensywności wydzielania dymów podczas spalania z normą [8], która ma zastosowanie do materiałów stosowanych w transporcie kolejowym. 3. WYBÓR DANYCH ORAZ SPRAWDZENIE POPRAWNOŚCI DZIAŁANIA SZTUCZNYCH SIECI NEURONOWYCH Uzyskane wyniki badań właściwości materiału wprowadzono do sztucznych sieci neuronowych. Sieć najpierw uczyła się na kompletnych danych eksperymentalnych, a następnie, po zakończeniu procesu uczenia, wykonała symulację dla danych wejściowych nie pochodzących z eksperymentu. Sieć pracowała z tzw. nauczycielem [2, 10, 12, 15, 18]. Wykonano symulacje dwóch następujących przypadków: na podstawie właściwości mechanicznych i palno-dymowych poszukiwano składu mieszaniny (pierwszy zbiór uczący), na podstawie składu mieszaniny poszukiwano właściwości mechanicznych i palno-dymowych (drugi zbiór uczący).

5 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 51 W pierwszym przypadku, jako wielkości wprowadzone do sieci w celu jej nauczenia wybrano: na wejściu: wskaźnik tlenowy OI, naświetlenie S 1, natężenie oświetlenia w czwartej minucie E4 1, twardość HK, udarność U, moduł Younga E, wytrzymałość Ru, na wyjściu zawartości (skład mieszaniny): Mg(OH) 2, HIPS, SBS, SEBS. W drugim przypadku, na podstawie składu mieszaniny (zawartości: Mg(OH) 2, HIPS, SBS oraz SEBS), sieć określała właściwości materiału. W trakcie badań doświadczalnych stwierdzono, że krytycznym parametrem charakteryzującym materiał pod względem mechanicznym jest udarność. Pozostałe trzy utrzymywały się cały czas na wystarczająco wysokim poziomie [2, 17]. Dlatego zdecydowano, że tylko udarność będzie charakteryzowała materiał pod względem mechanicznym. Na tej zasadzie z trzech parametrów palnościowych wybrano dwa: wskaźnik tlenowy i natężenie oświetlenia E4. Naświetlenie S utrzymywało się na wysokim poziomie dla wszystkich interesujących składów mieszaniny Wybór typu sieci Zbiory uczące zostały wykorzystane do określenia najlepszego typu sieci, której należy użyć do rozwiązania postawionego zadania. Jest nim określenie optymalnego składu mieszaniny z punktu widzenia właściwości mechanicznych i palno-dymowych. Wybór typów sieci został dokonany zgodnie z procedurą i postępowaniem przyjętym w programie Statistica Neural Networks. Zgodnie z teorią sztucznych sieci neuronowych należy wybrać sieć o najprostszej budowie i najprostszym algorytmie uczenia [18]. Skutkuje to krótszym czasem uczenia i zmniejszeniem występowania minimów lokalnych, co może prowadzić do osiągnięcia mniejszego błędu. Kierując się tą zasadą i wynikami, jakie otrzymano z testowania sieci oraz możliwościami zmiany jej parametrów, ostatecznie zdecydowano się na sieci typu MLP, które były uczone algorytmem wstecznej propagacji błędu [12, 15]. Na rysunkach 1 i 2 pokazano teoretyczne schematy sieci. 3 Naświetlenie S oraz natężenie oświetlenia w czwartej minucie E4 są parametrami określającymi ilość wydzielanego dymu podczas palenia danego materiału. Badanie trwa cztery minuty, jest przeprowadzone w zamkniętej komorze i polega na pomiarze spadku natężenia światła, w wyniku przepływu dymu pomiędzy źródłem światła a sondą luksomierza. A zatem wyższe wartości S i E4 oznaczają mniejsze ilości wydzielanego dymu.

6 52 J. Garbarski, M. Fabijański W niniejszym artykule pominięto część dotyczącą testowania sieci i pełnego ich wyboru, gdyż przekroczyłoby to ograniczoną liczbę stron. Rys. 1. Schemat sieci MLP dla przypadku: wejście właściwości, wyjście skład Rys. 2. Schemat sieci MLP dla przypadku wejście skład, wyjście właściwości 3.2. Optymalizacja składu mieszaniny według kryterium najlepszych właściwości mechanicznych i palno-dymowych Poszukiwanie składu mieszaniny dla zadanych właściwości materiału Po sprawdzeniu poprawności działania sieci, zarówno dla przypadku poszukiwania składu mieszaniny na podstawie właściwości, jak i dla przypadku odwrotnego, wykonano symulację dla danych wejściowych nie zrealizowanych eksperymentalnie. Umożliwiło to rozszerzenie liczby kombinacji składu mieszanin poza zakres uzyskany eksperymentalnie. W tablicy 1 zestawiono tzw. wyniki wirtualne dla pierwszego przypadku: dane wejściowe właściwości, wyniki skład mieszaniny. Na podstawie znanych wejściowych danych eksperymentalnych [2] starano się tak dobrać dane wejściowe wirtualne, aby

7 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 53 materiał był możliwy do zaakceptowania, zarówno pod względem właściwości mechanicznych, jak i palnościowych. Tablica 1 Wyniki symulacji dla pierwszego zbioru uczącego Dane wejściowe Dane wyjściowe otrzymane z sieci Lp. Wskaźnik tlenowy OI [%] Naświetlenie S [lxs] Natężenie oświetlenia E4 [lx] Twardość HK [MPa] Udarność U [kj/m 2 ] Moduł Youga E [MPa] Naprężenie max [MPa] Mg(OH) 2 [%] , ,9 48,8 8, , , , , ,63 70,2 8, ,4 27, ,796-0, , ,6 94,9 6, ,4 33, , , , ,7 97,8 5, ,1 36, , , , ,6 105,8 3, ,4 42, , , , ,4 116,4 3, ,5 47, , , , ,5 71,9 6, ,6 50, , , , ,3 73,8 6, ,5 51, , , , ,1 75,7 5, ,4 52, , , , ,9 77,6 5, ,3 53, , , , ,7 79,5 5, ,2 54, , , , ,5 81,4 5, ,1 54, , , , ,3 83,3 5, , , , ,1 85,2 4, ,9 54, , , , ,9 87,1 4, ,8 55, , , , ,6 87,5 4, ,8 54, , , , ,1 86,1 4, ,9 55, , , , ,5 84,7 4, , , , , ,9 83,3 4, ,1 55, , , , ,3 81,9 4, ,2 54, , , , ,8 80,5 4, ,4 54, , ,85872 Ponieważ krytycznym kryterium cech palnościowych był wskaźnik tlenowy, natomiast właściwości mechanicznych udarność, w tablicy 1 pogrubioną czcionką zaznaczono mieszaniny, które spełniają jednocześnie warunek OI 28% i udarność zbliżoną do 5 kj/m 2. Składy spełniające kryteria optymalizacji są oznaczone numerami Na rysunku 3 wyróżniono je, stosując obramowania słupków. W zaznaczonych przypadkach wirtualny materiał jest zarówno trudnopalny, jak również ma właściwości mechaniczne możliwe do zaakceptowania, choć udarność nie jest zbyt wysoka. HIPS [%] SBS [%]

8 54 J. Garbarski, M. Fabijański zawartość składników [%] 100% 80% 60% 40% 20% Mg(OH)2 HIPS SBS 0% nr składu Rys. 3. Zestawienie udziału procentowego poszczególnych składników wirtualnej, trudnopalnej mieszaniny dla pierwszego zbioru uczącego (wejście właściwości, wyjście skład), składy optymalne obramowane Poszukiwanie właściwości materiału dla zadanych składów W tym wypadku powtórzono procedurę opisaną w rozdziale , jednak w odwrotnym kierunku. Danymi wejściowymi były składy mieszanin, wynikami zaś właściwości materiału, co przedstawia tablica 2. Podobnie jak poprzednio, optymalne wyniki zaznaczono pogrubioną czcionką. Zestawienie wyników w postaci wykresów słupkowych, ilustrujących wartości poszczególnych parametrów charakteryzujących materiał dla różnych składów mieszanin przedstawiono na rysunkach 4, 5, 6. udarność [kj/m*m] nr składu Mg(OH)2 HIPS optimum optimorum Rys. 4. Zestawienie wyników otrzymanych z sieci przy różnej zawartości składników dla udarności (tablica 2)

9 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 55 Wyniki symulacji dla drugiego zbioru uczącego Tablica 2 Dane wejściowe Dane wyjściowe otrzymane z sieci Lp. Mg(OH) 2 [%] HIPS [%] SBS [%] Udarność U [kj/m 2 ] Wskaźnik tlenowy OI [%] Natężenie oświetlenia [lx] , , , , ,2762-1, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,1668 6, , , , , ,1792 7, , , , , ,1711 7, , , , , ,1443 7, , , , , ,2746 6, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,3330 4, , , , , ,8587 4, , ,76722

10 56 J. Garbarski, M. Fabijański Z rysunku 4 widać, że udarność jest najwyższa dla składów 7, 8 oraz 13. Odpowiada im największa zawartość HIPS i najmniejsza Mg(OH) 2, a to z kolei powoduje obniżenie parametrów palno-dymowych (duże ilości wydzielanego dymu, niski wskaźnik tlenowy rysunki 5, 6). Ponieważ warunek OI 28% dyskwalifikuje materiał pod względem trudnopalności, składy 7, 8 i 13, mimo wysokiej udarności, zostały odrzucone. OI [%] nr składu Mg(OH)2 HIPS optimum optimorum Rys. 5. Zestawienie wyników otrzymanych z sieci przy różnej zawartości składników dla wskaźnika tlenowego OI (tablica 2) E4 [lx] Mg(OH)2 HIPS optimum optimorum nr składu Rys. 6. Zestawienie wyników otrzymanych z sieci przy różnej zawartości składników dla natężenia oświetlenia w czwartej minucie (tablica 2)

11 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości 57 Wiadomo, że największy wpływ na wskaźnik tlenowy ma zawartość mineralnego opóźniacza palenia Mg(OH) 2, jednak powoduje on znaczny spadek udarności. W przypadku kształtowania właściwości materiału, należy użyć niezbędnej, minimalnej ilości tego środka, przy której wartość wskaźnika tlenowego jest większa od 28%. Odpowiada to składom 29 31; 33 35; 42, co widać na rysunku 5 (oznaczenie 2 w legendzie). Kolejnym parametrem palno-dymowym, ważnym ze względu na bezpieczeństwo przeciwpożarowe, jest ilość wydzielanych dymów podczas palenia. W tym przypadku musi być spełniony warunek, aby minimalna wartość E4 nie była niższa niż 20 lx; poniżej tego poziomu materiały uważa się za niebezpieczne ze względu na duże ilości wydzielanego dymu. W przypadku badanych składów nie przedstawiało to problemu, ponieważ wartość E4 przekroczyła 40 lx (rysunek 6). Podobnie jak w przypadku OI, największy wpływ na ten parametr ma zawartość wodorotlenku magnezu. Najkorzystniejsze składy mieszanin pod względem właściwości mechanicznych (udarność) oraz palno-dymowych zaznaczono pogrubioną czcionką w tablicy 2. Odpowiada to słupkom numer 2 na rysunkach 4, 5, 6. Spośród nich optimum optimorum okazała się mieszanina nr 31 (oznaczenie 4 w legendzie). W tym przypadku spełniono wszystkie kryteria kształtowania pożądanych cech trudnopalnego materiału. Wskaźnik tlenowy, choć nieznacznie, ale jednak przekracza minimalną wartość wymaganą (OI 28%). Natomiast wartość natężenia oświetlenia w czwartej minucie jest o wiele wyższa od wymaganego poziomu minimalnego (E4 20 lx). Udarność jest najwyższa spośród składów spełniających powyższe wymagania palnościowe. Zwraca przy tym uwagę fakt, że mieszanina nr 31 ma bardzo podobny skład do optymalnych mieszanin uzyskanych w wyniku symulacji w odwrotnym kierunku (punkt 3.2.1). Są to mieszaniny o składach: 55% Mg(OH) 2 oraz zmieniających się zawartościach odpowiednio: HIPS 40% do 33%, SBS 5,25% do 11,6%, natomiast mieszanina 31 ma skład: Mg(OH) 2 53,4%, HIPS 35,22%, SBS 11,14%. Można zatem uznać, że udało się znaleźć skład optymalny, co z jednej strony ma znaczenie praktyczne, z drugiej zaś potwierdza przydatność odpowiednio skonstruowanych sztucznych sieci neuronowych do rozwiązywania zagadnień tego typu.

12 58 J. Garbarski, M. Fabijański 4. PODSUMOWANIE Prace nad sztucznymi sieciami neuronowymi obejmowały studium nad odpowiednim doborem zbiorów uczących oraz nad wyborem najkorzystniejszego typu sieci do rozwiązania postawionego problemu. Sprawdzono poprawność działania sieci przez porównanie zgodności wyników pochodzących z eksperymentu, z danymi pochodzącymi z symulacji. Pokazano, że istnieje możliwość zastosowania sztucznych sieci neuronowych do poszukiwania składu mieszaniny trudnopalnej. Umożliwia to szybszy wybór składu materiału o właściwościach odpowiednich do danego zastosowania. Sztuczne sieci neuronowe pozwalają więc kształtować właściwości materiału. BIBLIOGRAFIA 1. Boryniec S., Przygodzki W.: Procesy spalania polimerów. Cz. III. Opóźnianie spalania materiałów polimerowych. Polimery, 1999, T. 44, nr 10, s Fabijański M.: Kształtowanie właściwości trudnopalnego polistyrenu wysokoudarowego. Rozprawa doktorska. Warszawa, Politechnika Warszawska, Wydział Inżynierii Produkcji, Instytut Technologii, Fabijański M.: Palność materiałów polimerowych stosowanych w transporcie szynowym, opóźniacze palenia. Problemy Kolejnictwa, 2009, Zeszyt 149, s Fenimore C.P., Martin F.J.: Candle-type test for flammability of polymers. Modern Plastics, 1966,12: Garbarski J., Fabijański M.: Kompozycja polimerowa styrenu wysokoudarowego z napełniaczem mineralnym modyfikowana triblokowym kopolimerem styren-butadienstyren. Szczecin, Wydawnictwo Uczelniane Politechniki Szczecińskiej, EKO-PLAST, 2004, nr 25 25, s Garbarski J., Fabijański M.: Wpływ napełniacza mineralnego na palność tworzyw sztucznych. Przegląd Mechaniczny, 2003, nr 7 8, s Garbarski J., Fabijański M.: Ograniczenie dymotwórczych właściwości tworzyw sztucznych na przykładzie wysokoudarowego polistyrenu. Polimery, 2004, zeszyt 4, s Garbarski J., Fabijański M.: The Properties of Non-flammable Mixture of High Impact Polystyrene and Magnesium Hydroxide Modified with the Admixture of the Styrene- Butadiene-Styrene Copolymer. III International Conference on Advances in Production Engineering APE 2004, 17 18, June 2004, Warsaw, Poland, Oficyna Wydawnicza PW, Part II, p Garbarski J.: Materiały i kompozyty niemetalowe. Warszawa, Oficyna Wydawnicza PW, Haykin S.: Neural networks, a comprehensive foundation. New York, 1994.

13 Zastosowanie sztucznych sieci neuronowych do kształtowania właściwości Hilado C.J., ed.: Flammability Handbook for Plastics. 4th ed. Lancaster, Technomic Publishing, 1990, Chapter Hertz J., Krogh A., Palmer R.: Wstęp do teorii obliczeń neuronowych. Warszawa, Wydawnictwa Naukowo-Techniczne, Meyer G.W., Pak S.J, Lee Y.J., and McGrath J.E.: New High-Performance Thermosetting Polymer Matrix Material Systems. Polymer, 36(11): 2303, 2309, Nelson G.L., Wilie C.A.: Fire and Polymers: Materials and Solutions for Hazard Prevention. Washington, American Chemical Society, Osowski S.: Sieci neuronowe do przetwarzania informacji. Warszawa, Oficyna Wydawnicza PW, PN-ISO Oznaczenie zapalności metodą wskaźnika tlenowego w temperaturze pokojowej. 17. PN-K-02501:2000 Tabor kolejowy. Właściwości dymowe materiałów. Wymagania i metody badań. 18. Tadeusiewicz R.: Sieci neuronowe. Warszawa, Akademicka Oficyna Wydawnicza. RM, 1993.